کنترل نگرش تطبیقی فضاپیما بدون اندازه گیری سرعت با استفاده از شبکه عصبی

محاسبه میزان کنترل نگرش تطبیقی فضاپیما و راه های پیشبینی روند کنترل تطبیقی فضاپیما ، یکی از چالشهای جدی برای فعالان این حوزه است. تاکنون روش های گوناگونی برای پاسخگویی به این مسئله ارائه شده که از آن جمله استفاده از هوش مصنوعی و الگوریتم های مبتنی بر آن است. در این پژوهش از داده های تجربی مربوط به کنترل نگرش تطبیقی فضاپیما در راستای توسعه یک مدل نوین مبتنی بر شبکه عصبی استفاده شده است تا بدین وسیله میزان کنترل نگرش تطبیقی فضاپیما پیشبینی شود. در این راستا، به دلیل ظرفیت بالای شبکه عصبی از نوع یادگیری عمیق از این ساختار با استفاده از داده های واقعی به عنوان ورودی، بهره گرفته شده است. در نهایت، به منظور بررسی کارایی مدل حاصل از شبکه عصبی، نتایج با نمونه واقعی مورد مقایسه قرار گرفته اند . براساس نتایج بدست آمده از اعتبارسنجی شبکه عصبی پیشنهادی به وسیله مقایسه آن با داده های تجربی، پیشبینی کنترل تطبیقی ، بررسی روند میزان کنترل تطبیقی و تحلیل چگونگی کنترل نگرش تطبیقی فضاپیما به نحو مطلوبی صورت گرفته است. پیشبینی روند افزایش بازده نگرش تطبیقی با درصد خطای پایین (بازه 0/69-1) برای رگرسیون در قیاس با نمونه تجربی، بیانگر انطباق کافی مدل پیشنهادی با مدل واقعی و کارایی شبکه است .

adaptive attitude control of spacecraft without velocity measurement using neural network

calculating the amount of adaptive attitude control of spacecraft and ways of predicting the process of adaptive control of spacecraft is one of the serious challenges for activists in this field. so far, various methods have been presented to answer this problem, including the use of artificial intelligence and algorithms based on it. in this research, the experimental data related to the adaptive attitude control of the spacecraft have been used to develop a new model based on the neural network to predict the amount of the adaptive attitude control of the spacecraft. in this regard, due to the high capacity of deep learning neural networks [1], this structure has been used using real data as input. finally, to check the efficiency of the neural network model, the results have been compared with the real sample. based on the results obtained from the validation of the proposed neural network by comparing it with experimental data, prediction of adaptive control, investigation of the trend of adaptive control, and analysis of how to control the adaptive attitude of the spacecraft have been done favorably. the prediction of the increase in efficiency of the adaptive attitude with a low error percentage (range 1-0.96) for regression in comparison with the experimental sample, indicates the sufficient compliance of the proposed model with the real model and the efficiency of the network.